CN116204830B - 一种基于路径聚合网络的焊接异常实时检测方法 - Google Patents
一种基于路径聚合网络的焊接异常实时检测方法 Download PDFInfo
- Publication number
- CN116204830B CN116204830B CN202310477149.8A CN202310477149A CN116204830B CN 116204830 B CN116204830 B CN 116204830B CN 202310477149 A CN202310477149 A CN 202310477149A CN 116204830 B CN116204830 B CN 116204830B
- Authority
- CN
- China
- Prior art keywords
- welding
- model
- layer
- network
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种基于路径聚合网络的焊接异常实时检测方法,首先通过滑窗采样的方法采集焊接过程中的高频时序数据并划分为若干样本;根据实际焊接情况进行样本标注,生成带有标签的样本集;接着基于路径聚合网络PAnet结构搭建焊接异常实时检测模型,将带有标签的样本集按比例划分为训练集、验证集和测试集,对模型进行训练;训练后的模型具备实时检测当前输入样本是否存在焊接异常的功能,通过输出判断结果,实时告知用户是否发生焊接异常。将训练好的模型部署在边缘侧,通过传感器实时接收高频时序数据,即可实现在线实时检测的功能。
Description
技术领域
本发明属于智慧焊接技术领域,特别涉及一种基于路径聚合网络的焊接异常实时检测方法。
背景技术
智慧焊接作为智能制造领域中最重要的研究课题之一,已经引起行业的普遍重视。现有技术中对于焊接异常的实时检测诊断,目前也已存在较多研究。现有技术中普遍采用图像识别的方式对焊接异常进行识别,这种方法则存在实时性不够,检测精度不够的问题。考虑到焊接过程中最能体现焊接场景特征的数据一般包括电流、电压、焊接速度等时序数据,对于时序数据的处理及对应状态的识别则是一条具备长远前景的研究方向。
目前基于高频时序数据搭建焊接异常检测模型进行焊接异常检测的方法已有相关研究,但如何使提取特征更能表述焊接场景,则是进一步研究的重点。
发明内容
发明目的:针对上述背景技术中存在的问题,本发明提供了一种基于路径聚合网络的焊接异常实时检测方法,基于路径聚合网络PAnet结构搭建焊接异常实时检测模型,训练后的模型具备实时检测当前输入样本是否存在焊接异常的功能,通过输出判断结果,实时告知用户是否发生焊接异常。
技术方案:一种基于路径聚合网络的焊接异常实时检测方法,包括以下步骤:
步骤S1、实时采集焊接高频时序数据,并进行预处理;基于滑窗采样的方法划分入模样本集并对应标注,按比例截取训练集、验证集和测试集;
步骤S2、基于路径聚合网络PAnet搭建焊接异常实时检测模型;
所述焊接异常实时检测模型输入为入模样本,输出检测结果,包括主干网络、第二神经网络分支和第三神经网络分支;所述主干网络包括依次连接的第一神经网络块ConvBlock1和n级残差网络块InvertedResidualBlock,第二神经网络分支包括与残差网络块对应相连的n级第二神经网络块;第三神经网络分支包括n-1级第三神经网络块;将第n级第二神经网络块的输出与第n-1级第二神经网络块的输出相加,作为第1级第三神经网络块的输入;依此类推,最终将所有第三神经网络块输出与第n级残差网络块输出相加后输入至全连接模块Fc,由全连接模块输出检测结果;
步骤S3、基于步骤S1获取的训练集进行模型训练,并通过验证集同步进行模型验证;采用测试集对模型进行精度验证,直至模型检测准确度达到预设要求;
步骤S4、将训练好的焊接异常检测模型部署至边缘侧,通过传感器实时接收焊接过程中的高频时序数据并进行预处理,将样本输入至焊接异常检测模型,并实时输出异常检测结果。
进一步地,所述步骤S1中高频时序数据包括焊接电流、焊接电压、送丝速度和保护气体流速。
进一步地,所述步骤S1中预处理步骤具体包括,将获取的焊接高频时序数据按照预设窗长window_size划分为若干样本,根据实际是否发生焊接异常为上述样本进行标注;当发生焊接异常时,将对应样本标注为1;未发生焊接异常则标注为0;将标注好的样本随机乱序,并按预设比例截取训练集、验证集和测试集。
进一步地,所述步骤S2中残差网络块InvertedResidualBlock包括依次连接的第一一维卷积网络层、第一BN层、第一激活函数层、第二一维卷积网络层、第二BN层、第二激活函数层、第三一维卷积网络层和第三BN层;各级残差网络块中第三一维卷积网络层的输出维度out_channel依次递增;最后一层残差网络块的输出维度与第三神经网络分支的输出维度保持一致。
进一步地,所述第一一维卷积网络层输出维度为expand_ration*out_channel,其中expand_ration为扩张系数,out_channel为输出维度;第二一维卷积网络层为融合了深度卷积Depthwise Convolution和膨胀卷积Dilated Convolution的深度可分卷积网络层,膨胀系数为dilation_rate;每个残差网络块的dilation_rate呈2的倍数递增;激活函数层选用ReLU6。
进一步地,全连接模块Fc包括依次连接的一层全局平均池化层、一层Dropout层和一层全连接层。
进一步地,所述步骤S3中通过验证集同步进行模型验证,防止模型出现过拟合;当连续n次迭代验证集loss均不再下降时,模型停止训练,并通过测试集进行模型精度验证,直至模型检测准确度达到预设要求。
本发明采用的技术方案与现有技术方案相比,具有以下有益效果:
本发明提供的焊接异常实时检测方法,基于路径聚合网络结构搭建异常检测模型,主干部分采用残差网络块提取高频时序数据特征,通过第二神经网络分支统一输出维度,并进行自顶向下的特征融合,并进一步通过第三神经网络分支进行自下而上的特征融合,最终与顶层残差网络块提取的核心特征融合,可以获得更能表征焊接状态的特征,上述网络结构输出焊接异常的检测结果更加准确,也更能反映实际焊接情况。
附图说明
图1为本发明提供的基于路径聚合网络的焊接异常实时检测方法流程图;
图2为本发明提供的基于路径聚合网络PAnet的焊接异常实时检测模型结构示意图;
图3为本发明实施例中进行焊接异常实时检测结果的混淆矩阵图。
实施方式
下面结合附图对本发明做更进一步的解释。
本发明提供了一种基于路径聚合网络的焊接异常实时检测方法,如图1所示,首先通过滑窗采样的方法采集焊接过程中的高频时序数据并划分为若干样本;根据实际焊接情况进行样本标注,生成带有标签的样本集;接着基于路径聚合网络PAnet结构搭建焊接异常实时检测模型,将带有标签的样本集按比例划分为训练集、验证集和测试集,对模型进行训练。训练后的模型具备实时检测当前输入样本是否存在焊接异常的功能,通过输出判断结果,实时告知用户是否发生焊接异常。将训练好的模型部署在边缘侧,通过传感器实时接收高频时序数据,即可实现在线实时检测的功能。下面提供一份具体实施例,具体阐述本发明的原理。
步骤S1、通过传感器系统实时采集高频时序数据,并对高频时序数据进行预处理。
本发明中提到的高频时序数据包括但不限于电流、电压、送丝速度和保护气流速,本实施例中优选电流数据作为入模数据。将获取的电流数据按照预设窗长window_size划分为若干样本,根据实际是否发生焊接异常为上述样本进行标注。焊接异常包括漏焊、焊偏、焊穿等情况,当发生焊接异常时,将对应样本标注为1;未发生焊接异常则标注为0。将标注好的样本随机乱序,并按预设比例截取训练集、验证集和测试集。
步骤S2,搭建基于路径聚合网络PAnet的焊接异常实时检测模型;
如图2所示,本发明提供的焊接异常实时检测模型输入为步骤S1中获取的电流样本,输出即为检测结果集合{0,1}。主干网络包括依次连接的第一神经网络块ConvBlock1和若干级残差网络块InvertedResidualBlock,将每一级残差网络块的输出依次记为x1、x2、…、xn。本实施例中n=5。每级残差网络块的输出分别连接至第二神经网络分支的对应神经网络块。所述第二神经网络分支包括与残差网络块对应数量的第二神经网络块,依次记为ConvBlock2_1、ConvBlock2_2、…、ConvBlock2_n,各神经网络块输出依次记为feat1、feat2、…、featn。所述模型还设置有第三神经网络分支,包括n-1级第三神经网络块,依次记为ConvBlock3_1、ConvBlock3_2、…、ConvBlock3_n-1。将featn和featn-1相加后输入至ConvBlock3_1,输出为p1;将featn、featn-1和featn-2相加后输入至ConvBlock3_2,输出为p2;将featn、featn-1、featn-2和featn-3相加后输入至ConvBlock3_3,输出为p3;以此类推,最终获得第三神经网络分支各输出为p1、p2、…、pn-1。将xn与p1、p2、…、pn-1依次相加后输入至全连接模块Fc,Fc模块输出最终检测结果。
本实施例中,各神经网络块参数依次设置如下:
第一神经网络块(ConvBlock1):输出维度out_channel=16,卷积核大小kernel_size=3,步幅stride=2。
第二神经网络分支(ConvBlock2_1、ConvBlock2_2、…、ConvBlock2_n):输出维度out_channel=16,卷积核大小kernel_size=1,步幅stride=1。
第三神经网络分支(ConvBlock3_1、ConvBlock3_2、…、ConvBlock3_n-1):输出维度out_channel=160,卷积核大小kernel_size=1,步幅stride=1。
残差网络块InvertedResidualBlock结构相同,包括依次连接的第一一维卷积网络层、第一BN层、第一激活函数层、第二一维卷积网络层、第二BN层、第二激活函数层、第三一维卷积网络层和第三BN层。各级残差网络块中第三一维卷积网络层的输出维度依次递增,即输出维度out_channel依次递增。为了能够实现特征融合相加,最后一层残差网络块的输出维度与第三神经网络分支的输出维度保持一致,设为160。本实施例中第一一维卷积网络层输出维度为expand_ration*out_channel,其中expand_ration为扩张系数,out_channel为输出维度。第二一维卷积网络层为融合了深度卷积Depthwise Convolution和膨胀卷积Dilated Convolution的深度可分卷积网络层,膨胀系数为dilation_rate。每个残差网络块的dilation_rate呈2的倍数递增。激活函数层选用ReLU6。
全连接模块Fc包括依次连接的一层全局平均池化层、一层Dropout层和一层全连接层。
上述搭建的焊接异常实时检测网络中,输入样本首先经过第一卷积神经网络块缩短长度,接着依次通过若干层残差网络块进行自下而上的特征提取步骤。将每一层残差网络块的输出特征输入至第二神经网络分支中对应的卷积网络块,目的在于统一输出维度。后续通过倒序相加的方式获得n-1个融合特征输出,并输入至第三神经网络分支中对应的卷积网络块,将输出维度统一至最上层残差网络块的输出维度。最后将第三神经网络分支的所有输出与最上层残差网络块的输出特征进行相加,并输入值全连接模块Fc,由全连接模块进行结果输出,给出检测结果。
步骤S3、基于步骤S1获取的训练集进行模型训练,并通过验证集同步进行模型验证,防止模型出现过拟合。当连续n次迭代验证集loss均不再下降时,模型停止训练,并通过测试集进行模型精度验证,直至模型检测准确度达到预设要求。
步骤S4、将训练好的焊接异常检测模型部署至边缘侧,通过传感器实时接收焊接过程中的高频电流数据并进行预处理,将样本输入至焊接异常检测模型,并实时输出异常检测结果。
如图3所示,本实施例中基于上述训练好的模型进行异常检测,模型检测准确率达到96.92%,满足焊接异常实时检测的精度要求。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于路径聚合网络的焊接异常实时检测方法,其特征在于,包括以下步骤:
步骤S1、实时采集焊接高频时序数据,并进行预处理;基于滑窗采样的方法划分入模样本集并对应标注,按比例截取训练集、验证集和测试集;所述高频时序数据包括焊接电流、焊接电压、送丝速度和保护气体流速;
步骤S2、基于路径聚合网络PAnet搭建焊接异常实时检测模型;
所述焊接异常实时检测模型输入为入模样本,输出检测结果,包括主干网络、第二神经网络分支和第三神经网络分支;所述主干网络包括依次连接的第一神经网络块ConvBlock1和n级残差网络块InvertedResidualBlock,第二神经网络分支包括与残差网络块对应相连的n级第二神经网络块;第三神经网络分支包括n-1级第三神经网络块;将第n级第二神经网络块的输出与第n-1级第二神经网络块的输出相加,作为第1级第三神经网络块的输入;依此类推,最终将所有第三神经网络块输出与第n级残差网络块输出相加后输入至全连接模块Fc,由全连接模块输出检测结果;
步骤S3、基于步骤S1获取的训练集进行模型训练,并通过验证集同步进行模型验证;采用测试集对模型进行精度验证,直至模型检测准确度达到预设要求;
步骤S4、将训练好的焊接异常检测模型部署至边缘侧,通过传感器实时接收焊接过程中的高频时序数据并进行预处理,将样本输入至焊接异常检测模型,并实时输出异常检测结果。
2.根据权利要求1所述的一种基于路径聚合网络的焊接异常实时检测方法,其特征在于,所述步骤S1中预处理步骤具体包括,将获取的焊接高频时序数据按照预设窗长window_size划分为若干样本,根据实际是否发生焊接异常为上述样本进行标注;当发生焊接异常时,将对应样本标注为1;未发生焊接异常则标注为0;将标注好的样本随机乱序,并按预设比例截取训练集、验证集和测试集。
3.根据权利要求1所述的一种基于路径聚合网络的焊接异常实时检测方法,其特征在于,所述步骤S2中残差网络块InvertedResidualBlock包括依次连接的第一一维卷积网络层、第一BN层、第一激活函数层、第二一维卷积网络层、第二BN层、第二激活函数层、第三一维卷积网络层和第三BN层;各级残差网络块中第三一维卷积网络层的输出维度out_channel依次递增;最后一层残差网络块的输出维度与第三神经网络分支的输出维度保持一致。
4.根据权利要求3所述的一种基于路径聚合网络的焊接异常实时检测方法,其特征在于,所述第一一维卷积网络层输出维度为expand_ration*out_channel,其中expand_ration为扩张系数,out_channel为输出维度;第二一维卷积网络层为融合了深度卷积Depthwise Convolution和膨胀卷积Dilated Convolution的深度可分卷积网络层,膨胀系数为dilation_rate;每个残差网络块的dilation_rate呈2的倍数递增;激活函数层选用ReLU6。
5.根据权利要求1所述的一种基于路径聚合网络的焊接异常实时检测方法,其特征在于,全连接模块Fc包括依次连接的一层全局平均池化层、一层Dropout层和一层全连接层。
6.根据权利要求1所述的一种基于路径聚合网络的焊接异常实时检测方法,其特征在于,所述步骤S3中通过验证集同步进行模型验证,防止模型出现过拟合;当连续n次迭代验证集loss均不再下降时,模型停止训练,并通过测试集进行模型精度验证,直至模型检测准确度达到预设要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310477149.8A CN116204830B (zh) | 2023-04-28 | 2023-04-28 | 一种基于路径聚合网络的焊接异常实时检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310477149.8A CN116204830B (zh) | 2023-04-28 | 2023-04-28 | 一种基于路径聚合网络的焊接异常实时检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116204830A CN116204830A (zh) | 2023-06-02 |
CN116204830B true CN116204830B (zh) | 2023-07-11 |
Family
ID=86513230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310477149.8A Active CN116204830B (zh) | 2023-04-28 | 2023-04-28 | 一种基于路径聚合网络的焊接异常实时检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116204830B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117250576B (zh) * | 2023-11-16 | 2024-01-26 | 苏芯物联技术(南京)有限公司 | 一种基于多维传感数据的电流传感器实时异常检测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582095A (zh) * | 2020-04-27 | 2020-08-25 | 西安交通大学 | 一种轻量级行人异常行为快速检测方法 |
CN112307976A (zh) * | 2020-10-30 | 2021-02-02 | 北京百度网讯科技有限公司 | 目标检测方法、装置、电子设备以及存储介质 |
CN113870260A (zh) * | 2021-12-02 | 2021-12-31 | 苏芯物联技术(南京)有限公司 | 一种基于高频时序数据的焊接缺陷实时检测方法及系统 |
CN113878214A (zh) * | 2021-12-08 | 2022-01-04 | 苏芯物联技术(南京)有限公司 | 基于lstm与残差分布的焊接质量实时检测方法及系统 |
CN114559133A (zh) * | 2022-04-27 | 2022-05-31 | 苏芯物联技术(南京)有限公司 | 一种普适焊接起弧连续性实时检测方法及系统 |
CN114722883A (zh) * | 2022-06-07 | 2022-07-08 | 苏芯物联技术(南京)有限公司 | 基于高频时序数据的焊接质量实时检测方法及系统 |
CN114799610A (zh) * | 2022-06-24 | 2022-07-29 | 苏芯物联技术(南京)有限公司 | 一种基于傅里叶逆变换及自编码器的焊接质量实时检测方法及系统 |
CN115310598A (zh) * | 2022-10-11 | 2022-11-08 | 苏芯物联技术(南京)有限公司 | 一种融合深度学习和机器学习模型的焊接缺陷实时检测方法与系统 |
CN115457363A (zh) * | 2022-08-10 | 2022-12-09 | 暨南大学 | 一种图像目标检测方法及系统 |
CN115647687A (zh) * | 2022-12-29 | 2023-01-31 | 苏芯物联技术(南京)有限公司 | 融合残差网络及自注意力机制的焊接异常实时检测方法 |
CN115956261A (zh) * | 2021-04-06 | 2023-04-11 | 辉达公司 | 神经网络中分布外输入数据的识别技术 |
CN116010794A (zh) * | 2023-02-17 | 2023-04-25 | 苏芯物联技术(南京)有限公司 | 一种基于小样本标签数据的焊接缺陷实时智能检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5061007B2 (ja) * | 2008-03-28 | 2012-10-31 | 株式会社神戸製鋼所 | 溶接制御装置、溶接制御方法およびそのプログラム |
US10768605B2 (en) * | 2018-07-23 | 2020-09-08 | Accenture Global Solutions Limited | Augmented reality (AR) based fault detection and maintenance |
-
2023
- 2023-04-28 CN CN202310477149.8A patent/CN116204830B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582095A (zh) * | 2020-04-27 | 2020-08-25 | 西安交通大学 | 一种轻量级行人异常行为快速检测方法 |
CN112307976A (zh) * | 2020-10-30 | 2021-02-02 | 北京百度网讯科技有限公司 | 目标检测方法、装置、电子设备以及存储介质 |
CN115956261A (zh) * | 2021-04-06 | 2023-04-11 | 辉达公司 | 神经网络中分布外输入数据的识别技术 |
CN113870260A (zh) * | 2021-12-02 | 2021-12-31 | 苏芯物联技术(南京)有限公司 | 一种基于高频时序数据的焊接缺陷实时检测方法及系统 |
CN113878214A (zh) * | 2021-12-08 | 2022-01-04 | 苏芯物联技术(南京)有限公司 | 基于lstm与残差分布的焊接质量实时检测方法及系统 |
CN114559133A (zh) * | 2022-04-27 | 2022-05-31 | 苏芯物联技术(南京)有限公司 | 一种普适焊接起弧连续性实时检测方法及系统 |
CN114722883A (zh) * | 2022-06-07 | 2022-07-08 | 苏芯物联技术(南京)有限公司 | 基于高频时序数据的焊接质量实时检测方法及系统 |
CN114799610A (zh) * | 2022-06-24 | 2022-07-29 | 苏芯物联技术(南京)有限公司 | 一种基于傅里叶逆变换及自编码器的焊接质量实时检测方法及系统 |
CN115457363A (zh) * | 2022-08-10 | 2022-12-09 | 暨南大学 | 一种图像目标检测方法及系统 |
CN115310598A (zh) * | 2022-10-11 | 2022-11-08 | 苏芯物联技术(南京)有限公司 | 一种融合深度学习和机器学习模型的焊接缺陷实时检测方法与系统 |
CN115647687A (zh) * | 2022-12-29 | 2023-01-31 | 苏芯物联技术(南京)有限公司 | 融合残差网络及自注意力机制的焊接异常实时检测方法 |
CN116010794A (zh) * | 2023-02-17 | 2023-04-25 | 苏芯物联技术(南京)有限公司 | 一种基于小样本标签数据的焊接缺陷实时智能检测方法 |
Non-Patent Citations (6)
Title |
---|
Path Aggregation Network for Instance Segmentation;Shu Liu 等;《arXiv:1803.01534》;1-11 * |
基于卷积神经网络的X射线焊缝缺陷检测算法研究;肖文凯 等;《自动化仪表》;67-72 * |
基于卷积神经网络的锚链焊接过程异常检测方法研究;付灵懿;《中国优秀硕士学位论文全文数据库 工程科技II辑》;C036-158 * |
基于图像语义分割的车身点焊焊渣精确检测方法研究;渠超;《中国优秀硕士学位论文全文数据库 工程科技II辑》;C035-1167 * |
基于机器视觉的焊缝表面缺陷检测方法研究;谢佳伟 等;《中国优秀硕士学位论文全文数据库 工程科技I辑》;B022-1147 * |
基于轻量化YOLO网络的实时X射线焊缝缺陷检测;龙凌 等;《网络新媒体技术》;30-38 * |
Also Published As
Publication number | Publication date |
---|---|
CN116204830A (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107948166B (zh) | 基于深度学习的流量异常检测方法及装置 | |
CN113870260B (zh) | 一种基于高频时序数据的焊接缺陷实时检测方法及系统 | |
CN108985380B (zh) | 一种基于聚类集成的转辙机故障识别方法 | |
CN109615016A (zh) | 一种基于金字塔输入增益的卷积神经网络的目标检测方法 | |
CN116204830B (zh) | 一种基于路径聚合网络的焊接异常实时检测方法 | |
CN105975478A (zh) | 一种基于词向量分析的网络文章所属事件的检测方法和装置 | |
CN105893208A (zh) | 基于隐半马尔可夫模型的云计算平台系统故障预测方法 | |
CN111582401B (zh) | 一种基于双分支卷积神经网络的向日葵种子分选方法 | |
CN112528774B (zh) | 一种复杂电磁环境下未知雷达信号智能分选系统及方法 | |
CN106528527A (zh) | 未登录词的识别方法及识别系统 | |
CN111274814A (zh) | 一种新型的半监督文本实体信息抽取方法 | |
CN111860447A (zh) | 一种准确识别随机相移卫星遥测时序数据模式的方法 | |
CN110275820B (zh) | 页面兼容性测试方法、系统及设备 | |
WO2022058116A1 (en) | Explaining machine learning output in industrial applications | |
CN113343760A (zh) | 一种基于多尺度特征神经网络的人体行为识别方法 | |
CN116524521B (zh) | 一种基于深度学习的英文字符识别方法和系统 | |
CN112949284B (zh) | 一种基于Transformer模型的文本语义相似度预测方法 | |
CN110362828B (zh) | 网络资讯风险识别方法及系统 | |
CN115169504B (zh) | 一种煤气精脱硫工艺中的设备异常识别方法 | |
CN115984639A (zh) | 一种零件疲劳状态智能检测方法 | |
CN115512272A (zh) | 一种针对多事件实例视频的时序事件检测方法 | |
CN114005054A (zh) | 一种ai智能评分系统 | |
CN111883177B (zh) | 基于深度学习的语音关键信息分离方法 | |
CN114298041A (zh) | 网络安全命名实体的识别方法及识别装置 | |
CN114490235A (zh) | 智能化识别日志数据中的数量关系及其异常的算法模型 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |